CN116579588B - 一种基于路况特征抽取的运输任务智能分配方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于路况特征抽取的运输任务智能分配方法。该方法获取运输视频帧的字典矩阵和稀疏矩阵。根据字典矩阵之间的行列相似性和交并比获得整体相似性。根据整体相似性将字典矩阵对应的运输视频帧分类，获得多个路况类别。获取路况类别中相邻运输视频帧对应的稀疏矩阵之间相似度的波动程度，结合路况类别对应的字典矩阵的熵，获得每个路况类别下的路况平稳度。将路况平稳度累加获得运输视频的运输平稳度。根据运输平稳度对运输人员的运输能力进行评级，根据评级结果进行分配任务。本发明通过K‑SVD算法对运输视频进行分析，获得参考性强的运输平稳度，方便运输***对运输人员的任务分配。

Description

一种基于路况特征抽取的运输任务智能分配方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于路况特征抽取的运输任务智能分配方法。

背景技术

公路货物运输中，单个车辆的运载量通常较大，需要专门的集装箱车、散装车进行运输。特别是在运输货物为玻璃、化学液体等容易受到震动影响的物品，需要在运输过程中对车辆平稳程度进行较高的要求。在运输管理***中，运输人员的基本职业能力和职业素养可在运输工作中体现出来，在运输过程中运输人员驾驶的运输车辆的平稳度可通过安装大量传感器进行数据反馈。但是传感器安装成本较高且在运输过程中会因为环境因素导致出现误差，无法实现对运输人员运输过程中的平稳度进行准确评估。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于路况特征抽取的运输任务智能分配方法，所采用的技术方案具体如下：

本发明提出了一种基于路况特征抽取的运输任务智能分配方法，所述方法包括：

通过运输车辆前方的摄像头获得运输人员运输过程中路面的运输视频；根据K-SVD算法获得每个运输视频帧的字典矩阵和稀疏矩阵；

获得所述字典矩阵之间的行列相似性；获得所述字典矩阵之间的交并比；根据所述行列相似性和所述交并比获得所述字典矩阵之间的整体相似性；根据所述整体相似性对对应的所述运输视频帧进行分类，获得多个路况类别；

获得所述路况类别中相邻所述运输视频帧对应的所述稀疏矩阵之间相似度，获得相似度序列；以所述路况类别对应的所述字典矩阵的熵作为所述路况类别的路况复杂度；根据所述路况复杂度和所述相似度序列的波动程度获得对应的所述路况类别的路况平稳度；

以所述运输视频中所有所述路况类别的所述路况平稳度的累加值作为所述运输人员的运输平稳度；根据所述运输平稳度对所述运输人员的运输能力进行评级，根据评级结果对所述运输人员分配运输任务。

进一步地，所述获得所述字典矩阵之间的行列相似性包括：

根据行列相似性公式获得所述行列相似性，所述行列相似性公式包括：

其中，为第/>帧所述运输视频帧与第/>帧所述运输视频帧之间的所述行列相似性，/>为第/>帧所述运输视频帧的所述字典矩阵的行，/>为第/>帧所述运输视频帧的所述字典矩阵的列，/>为第/>帧所述运输视频帧的所述字典矩阵的行，/>为第/>帧所述运输视频帧的所述字典矩阵的列，/>为最小值函数，/>为最大值函数。

进一步地，所述获得所述字典矩阵之间的交并比包括：

将两个所述字典矩阵进行匹配过程，以匹配结果中对应交集位置的最小元素值和最大值元素值的比值作为所述位置的交集值，将所述交集位置的所述交集值累加，获得整体交集值；所述匹配过程包括：

获取两个所述字典矩阵的多个初始匹配结果，获得每个所述初始匹配结果的所述整体交集值，以最大的所述整体交集值对应的所述初始匹配结果作为所述匹配结果；

以所述匹配结果中所述交集位置外的元素数量和所述整体交集值的和作为整体并集值；以所述整体交集值与所述整体并集值的比值作为所述交并比。

进一步地，所述根据所述行列相似性和所述交并比获得所述字典矩阵之间的整体相似性包括：

以所述行列相似性和所述交并比的乘积作为所述字典矩阵之间的所述整体相似性。

进一步地，所述根据所述整体相似性对对应的所述运输视频帧进行分类，获得多个路况类别包括：

将所述整体相似性大于预设相似性阈值的两个所述字典矩阵作为一类，获得多个路况类别。

进一步地，所述获得所述路况类别中相邻所述运输视频帧对应的所述稀疏矩阵之间相似度包括：

将所述稀疏矩阵相邻列数据首尾相连，获得对应的列向量；以所述列向量之间的余弦相似度作为所述稀疏矩阵之间的相似度。

进一步地，所述根据所述路况复杂度和所述相似度序列的波动程度获得对应的所述路况类别的路况平稳度包括：

以所述相似度序列的标准差与均值的比值作为所述波动程度；以所述波动程度与所述路况复杂度的乘积作为所述路况平稳度。

本发明还提出了一种基于图像处理的智能运输管理***，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种基于路况特征抽取的运输任务智能分配方法的步骤。

本发明具有如下有益效果：

本发明实施例通过字典训练算法（K-SVD算法）获取运输视频帧的字典矩阵和稀疏矩阵。字典矩阵表示了运运输视频帧中图像的基本特征，稀疏矩阵表示了运输视频帧中的信息通过不同特征的怎样组合方法得到。因此可以字典矩阵之间的整体相似性确定相同路况的运输视频帧。进一步利用路况类别中相邻稀疏矩阵之间的相似度变化情况判断当前路况的平稳度，获得运输人员在运输过程中的运输平稳度。利用运输平稳度对运输人员的能力和职业素养进行评估，方便后续运输任务的分配。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于路况特征抽取的运输任务智能分配方法流程图；

图2为本发明一个实施例所提供的第一种字典矩阵示意图；

图3为本发明一个实施例所提供的第二种字典矩阵示意图；

图4为本发明一个实施例所提供的第一种初始匹配结果示意图；

图5为本发明一个实施例所提供的第二种初始匹配结果示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于路况特征抽取的运输任务智能分配方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于路况特征抽取的运输任务智能分配方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于路况特征抽取的运输任务智能分配方法流程图，该方法包括：

步骤S1：通过运输车辆前方的摄像头获得运输人员运输过程中路面的运输视频；根据K-SVD算法获得每个运输视频帧的字典矩阵和稀疏矩阵。

在本发明实施例中，在运输车辆前方或者车顶安装摄像头，获得运输过程中路面的运输视频。需要说明的是，运输视频可分解为多个连续的运输视频帧。

K-SVD算法为一种经典的字典训练算法，将要训练的样本矩阵分解为字典矩阵与稀疏矩阵的乘积。K-SVD算法为本领域技术人员熟知的现有技术，在本发明实施例不再赘述其实现过程，仅简述其算法形式：

其中，为运输视频帧的图像矩阵，/>为字典矩阵，/>为稀疏矩阵。

字典矩阵表示了图像的基本特征，稀疏矩阵表示图像中信息通过不同特征的何组合方法得到。

步骤S2：获得字典矩阵之间的行列相似性；获得字典矩阵之间的交并比；根据行列相似性和交并比获得字典矩阵之间的整体相似性；根据整体相似性对对应的运输视频帧进行分类，获得多个路况类别。

当不同图像具有相同的字典时，说明这两张图像的基本特征相同。因此如果两张不同的运输视频帧的字典矩阵相同，说明当前运输视频中的路面图像特征相同，即两张运输视频帧对应的为同一种路况。因此可根据字典矩阵之间的相似性进行分类，获得运输过程中的多种路况类别。

字典矩阵之间的大小尺寸差异直观的反映了两个字典矩阵之前的相似性，因此首先获得字典矩阵之间的行列相似性，具体包括：

根据行列相似性公式获得行列相似性，行列相似性公式包括：

其中，为第/>帧运输视频帧与第/>帧运输视频帧之间的行列相似性，/>为第/>帧运输视频帧的字典矩阵的行，/>为第/>帧运输视频帧的字典矩阵的列，/>为第/>帧运输视频帧的字典矩阵的行，/>为第/>帧运输视频帧的字典矩阵的列，/>为最小值函数，/>为最大值函数。

在行列相似性公式中，表示了两张运输视频帧的字典矩阵的行差异，即以最小值比上最大值，两个字典矩阵的行越相近，则该项越接近与1；/>表示了两张运输视频帧的字典矩阵的列差异，与行差异相同，两个字典矩阵的列越相近，则该项越接近于1。即两个字典矩阵的行列数越相近，则行列相似性越接近与1。

进一步考虑字典矩阵中元素数据的相似度，可利用字典矩阵之间的交并比进行计算，具体包括：

因为字典矩阵表示了图像的基本特征，因此在分析元素的相似度时还需要考虑在字典矩阵中元素的空间分布信息，即在分析两个矩阵交集时需要分析两个矩阵中每个位置处的信息及差异，确定交集信息。因此将两个字典矩阵进行匹配过程，以匹配结果中对应交集位置的最小元素值和最大值元素值的比值作为位置的交集值，将交集位置的交集值累加，获得整体交集值。匹配过程包括：

获取两个字典矩阵的多个初始匹配结果，需要说明的是，因为要分析初始匹配结果的交集信息，所以初始匹配结果中的交集位置应尽可能的多。获得每个初始匹配结果的整体交集值，以最大的整体交集值对应的初始匹配结果作为匹配结果。请参阅图2，其示出了本发明一个实施例所提供的第一种字典矩阵示意图，第一种字典矩阵的大小为4*4矩阵。请参阅图3，其示出了本发明一个实施例所提供的第二种字典矩阵示意图，第二种字典矩阵的大小为3*4。因为要保证交集位置尽可能的多，所以第一种字典矩阵与第二种字典矩阵的初始匹配结果有两种，请参阅图4，其示出了本发明一个实施例所提供的第一种初始匹配结果示意图，请参阅图5，其示出了本发明一个实施例所提供的第二种初始匹配结果。计算两种初始匹配结果的整体交集值，以最大的整体交集值作为匹配结果。

以匹配结果中交集位置外的元素数量和整体交集值的和作为整体并集值。以整体交集值与整体并集值的比值作为交并比。

例如字典矩阵A为：,字典矩阵B为/>，则初始匹配结果包括有两种，第一种初始匹配结果为：字典矩阵B与字典矩阵A上两行对应。第二种初始匹配结果为：字典矩阵B与字典矩阵A下两行对应。通过计算两种初始匹配结果的整体交集值可知，第一种初始匹配结果的整体交集值大于第二种初始匹配结果的整体交集值，因此以第一种初始匹配结果作为匹配结果。

以行列相似性和交并比的乘积作为字典矩阵之间的整体相似性。即行列相似性越大，交并比越大，则整体相似性越大。

根据整体相似性可对字典矩阵进行分类，将整体相似性大于预设相似性阈值的两个字典矩阵作为一类，获得多个路况类别。

在本发明实施例中，因为行列相似性的值域为（0,1]，交并比的值域为（0,1]，因此将相似性阈值设置为0.9，即整体相似性大于0.9的字典矩阵为一个路况类别内的字典矩阵。

字典矩阵表示了图像的基本特征，根据字典矩阵将视频帧分为多个路况类别，需要说明的是，在常规运输过程中，路况类别内的运输视频帧通常为连续的，即可将路况类别分类过程视为根据运输道路的不同将运输视频分为多段子视频。

步骤S3：获得路况类别中相邻运输视频帧对应的稀疏矩阵之间相似度，获得相似度序列；以路况类别对应的字典矩阵的熵作为路况类别的路况复杂度；根据路况复杂度和相似度序列的波动程度获得对应的路况类别的路况平稳度。

运输过程平稳的话，连续运输视频帧之间过渡是平稳的，因为稀疏矩阵表示了字典矩阵元素的组合方式，因此在平稳路段中，因为相邻两帧运输视频帧过渡平稳且不会发生太大图像变化，因此二者的稀疏矩阵的相似度较大，且在整个平稳路段中相邻稀疏矩阵之间的相似度不会发生较大变化。

运输过程出现晃动时，则摄像头获取的图像会发生果冻效应等缺陷，导致图像信息发生变化，即字典矩阵的组合方式不同，相邻两帧运输视频帧的稀疏矩阵差异较大，相似度较小。因此可根据相邻稀疏矩阵之间相似度的波动性判断路段平稳程度，具体包括：

将稀疏矩阵相邻列数据首尾相连，获得对应的列向量，即一个稀疏矩阵对应一个列向量。以列向量之间的余弦相似度作为对应相邻稀疏矩阵之间的相似度。

获取一个路况类别中的所有相邻运输视频帧对应的稀疏矩阵之间的相似度，获得相似度序列，以相似度序列的标准差与均值的比值作为波动程度。以路况类别对应的字典矩阵中元素的熵作为该路况类别的路况复杂度。以波动程度和路况复杂度的乘积作为路况平稳度。

步骤S4：以运输视频中所有路况类别的路况平稳度的累加值作为运输人员的运输平稳度；根据运输平稳度对运输人员的运输能力进行评级，根据评级结果对运输人员分配运输任务。

将运输视频中所有路况类别的路况平稳度累加，累加值作为运输人员在该运输过程中的运输平稳度。可获得一个运输人员的多次运输过程中的运输平稳度，通过多个运输平稳度数据评价该运输人员的职业能力和职业素养。通过对运输***中每个运输人员的运输平稳度分析，可利用运输平稳度对所有运输人员的运输能力进行评级，即运输平稳度越高，则运输能力越强。在后续运输任务分配中，将特殊物品或者易碎物品优先分配给运输能力强的运输人员。

综上所述，本发明实施例获取运输视频帧的字典矩阵和稀疏矩阵。根据字典矩阵之间的行列相似性和交并比获得整体相似性。根据整体相似性将字典矩阵对应的运输视频帧分类，获得多个路况类别。获取路况类别中相邻运输视频帧对应的稀疏矩阵之间相似度的波动程度，结合路况类别对应的字典矩阵的熵，获得每个路况类别下的路况平稳度。将路况平稳度累加获得运输视频的运输平稳度。根据运输平稳度对运输人员的运输能力进行评级，根据评级结果进行分配任务。本发明实施例通过K-SVD算法对运输视频进行分析，获得参考性强的运输平稳度，方便运输***对运输人员的任务分配。

本发明还提出了一种基于图像处理的智能运输管理***，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现任意一项一种基于路况特征抽取的运输任务智能分配方法的步骤。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于路况特征抽取的运输任务智能分配方法，其特征在于，所述方法包括：

通过运输车辆前方的摄像头获得运输人员运输过程中路面的运输视频；根据K-SVD算法获得每个运输视频帧的字典矩阵和稀疏矩阵；

获得所述字典矩阵之间的行列相似性；获得所述字典矩阵之间的交并比；根据所述行列相似性和所述交并比获得所述字典矩阵之间的整体相似性；根据所述整体相似性对对应的所述运输视频帧进行分类，获得多个路况类别；

获得所述路况类别中相邻所述运输视频帧对应的所述稀疏矩阵之间相似度，获得相似度序列；以所述路况类别对应的所述字典矩阵的熵作为所述路况类别的路况复杂度；根据所述路况复杂度和所述相似度序列的波动程度获得对应的所述路况类别的路况平稳度；

以所述运输视频中所有所述路况类别的所述路况平稳度的累加值作为所述运输人员的运输平稳度；根据所述运输平稳度对所述运输人员的运输能力进行评级，根据评级结果对所述运输人员分配运输任务。

2.根据权利要求1所述的一种基于路况特征抽取的运输任务智能分配方法，其特征在于，所述获得所述字典矩阵之间的行列相似性包括：

根据行列相似性公式获得所述行列相似性，所述行列相似性公式包括：

其中，为第/>帧所述运输视频帧与第/>帧所述运输视频帧之间的所述行列相似性，/>为第/>帧所述运输视频帧的所述字典矩阵的行，/>为第/>帧所述运输视频帧的所述字典矩阵的列，/>为第/>帧所述运输视频帧的所述字典矩阵的行，/>为第/>帧所述运输视频帧的所述字典矩阵的列，/>为最小值函数，/>为最大值函数。

3.根据权利要求1所述的一种基于路况特征抽取的运输任务智能分配方法，其特征在于，所述获得所述字典矩阵之间的交并比包括：

将两个所述字典矩阵进行匹配过程，以匹配结果中对应交集位置的最小元素值和最大值元素值的比值作为所述位置的交集值，将所述交集位置的所述交集值累加，获得整体交集值；所述匹配过程包括：

获取两个所述字典矩阵的多个初始匹配结果，获得每个所述初始匹配结果的所述整体交集值，以最大的所述整体交集值对应的所述初始匹配结果作为所述匹配结果；

以所述匹配结果中所述交集位置外的元素数量和所述整体交集值的和作为整体并集值；以所述整体交集值与所述整体并集值的比值作为所述交并比。

4.根据权利要求1所述的一种基于路况特征抽取的运输任务智能分配方法，其特征在于，所述根据所述行列相似性和所述交并比获得所述字典矩阵之间的整体相似性包括：

以所述行列相似性和所述交并比的乘积作为所述字典矩阵之间的所述整体相似性。

5.根据权利要求4所述的一种基于路况特征抽取的运输任务智能分配方法，其特征在于，所述根据所述整体相似性对对应的所述运输视频帧进行分类，获得多个路况类别包括：

将所述整体相似性大于预设相似性阈值的两个所述字典矩阵作为一类，获得多个路况类别。

6.根据权利要求1所述的一种基于路况特征抽取的运输任务智能分配方法，其特征在于，所述获得所述路况类别中相邻所述运输视频帧对应的所述稀疏矩阵之间相似度包括：

将所述稀疏矩阵相邻列数据首尾相连，获得对应的列向量；以所述列向量之间的余弦相似度作为所述稀疏矩阵之间的相似度。

7.根据权利要求1所述的一种基于路况特征抽取的运输任务智能分配方法，其特征在于，所述根据所述路况复杂度和所述相似度序列的波动程度获得对应的所述路况类别的路况平稳度包括：

以所述相似度序列的标准差与均值的比值作为所述波动程度；以所述波动程度与所述路况复杂度的乘积作为所述路况平稳度。